АВТОМАТИЗИРОВАННАЯ КЛАССИФИКАЦИЯ ГЕМОДИНАМИЧЕСКИ ЗНАЧИМЫХ АРИТМИЙ НА ОСНОВЕ ЭКГ-ПРИЗНАКОВ

В статье представлен метод классификации гемодинамически значимых аритмий (ГЗА) на основе параметров электрокардиограммы (ЭКГ) без использования дополнительных визуализирующих диагностических методов. Были выделены ключевые признаки, такие как длительность комплекса QRS, интервалы RR и частота сердечных сокращений (ЧСС). Классификация аритмий выполнена на основе данных базы MIT-BIH Arrhythmia Database. Разработаны визуализации и логическая схема для автоматического определения ГЗА. Цель исследования – разработка и валидация алгоритма классификации гемодинамически значимых аритмий, основанного исключительно на электрокардиографических признаках. Предлагаемая методика опирается на ранее опубликованные исследования, посвящённые использованию ЭКГпризнаков в диагностике аритмий, и направлена на повышение доступности диагностики в условиях ограниченных ресурсов. Основная цель работы заключается в расширении доступности диагностики сердечных аритмий посредством интерпретируемых инженерных решений.

1. Moody G.B. The impact of the MIT-BIH Arrhythmia Database / G.B. Moody, R.G. Mark // IEEE Engineering in Medicine and Biology Magazine. – 2001. https://doi.org/10.1109/51.932724.

2. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals / A.L. Goldberger et al // Circulation. – 2000. – № 101(23). – Р. e215-e220. https://doi.org/10.1161/01.CIR.101.23.e215.

3. Cardiologist-level arrhythmia detection with convolutional neural networks / Р. Rajpurkar et al // arXiv preprint. – 2017. https://arxiv.org/abs/1707.01836.

4. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm / Z.I. Attia et al // The Lancet. – 2019. – № 394(10201). – Р. 861-867. https://doi.org/10.1016/S0140-6736(19)31721-0.

5. Automatic diagnosis of the 12-lead ECG using a deep neural network / А.Н. Ribeiro et al // Nature Communications. – 2020. – № 11. – Р. 1760. https://doi.org/10.1038/s41467-020-15432-4.

6. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network / A.Y. Hannun et al // Nature Medicine. – 2019. – № 25(1). – Р. 65-69. https://doi.org/10.1038/s41591-018-0268-3.

7. Recommendations for physical activity and recreational sports participation in young patients with genetic cardiovascular diseases / B.J. Maron et al // Circulation. – 2004. – № 109(23). – Р. 2807-2816. https://doi.org/10.1161/01.CIR.0000128363.85581.E1.

8. Deep learning-based stacked denoising autoencoder for ECG heartbeat classification / S. Nurmaini et al // Electronics. – 2020. – № 9(1). – Р. 135. https://doi.org/10.3390/electronics9010135.

9. AF Classification from a Short Single Lead ECG Recording: The PhysioNet / G.D. Clifford et al // Computing in Cardiology Challenge 2017. Computing in Cardiology. – 2017. – № 44. https://doi.org/10.22489/CinC.2017.065-469.

10. Passive detection of atrial fibrillation using a commercially available smartwatch / G.H. Tison et al // JAMA Cardiology. – 2018. – № 3(5). – Р. 409-416. https://doi.org/10.1001/jamacardio.2018.0136.

11. Yildirim Ö. A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification / Ö. Yildirim // Computers in Biology and Medicine. – 2018. – № 96. – Р. 189-202. https://doi.org/10.1016/j.compbiomed.2018.03.016.

12. Wu Zhenyan Deep learning and electrocardiography: systematic review of current techniques in cardiovascular disease diagnosis and management / Wu Zhenyan, Guo, Caixia // BioMedical Engineering OnLine. – 2025. – № 24. – Р. 23. https://doi.org/10.1186/s12938-025-01349-w.

13. CVPhysiology.com. (n.d.). Hemodynamic consequences of cardiac arrhythmias. Retrieved from https://cvphysiology.com/cad/cad007.

14. Translational challenges in atrial fibrillation / J. Heijman et al // Circulation Research. – 2018. – № 122(5). – Р. 752-773. https://doi.org/10.1161/CIRCRESAHA.117.311081.

15. MedElement. (n.d.). Ventricular arrhythmias and prevention of sudden cardiac death. Retrieved from https://diseases.medelement.com.

16. Deep learning for healthcare applications based on physiological signals: A review / О. Faust et al // Computer Methods and Programs in Biomedicine. – 2018. – № 161. – Р. 1-13. https://doi.org/10.1016/j.cmpb.2018.04.005.

17. Shen W.K. 2017 ACC/AHA/HRS Guideline for the Evaluation and Management of Patients With Syncope / W.K. Shen et al // Journal of the American College of Cardiology. – 2017. – № 70(5). – Р. e39-e110. https://doi.org/10.1016/j.jacc.2017.03.003.

18. Heart State Monitoring Using Multi-Agent Technology / А. Bekbay et al // In 2019 8th Mediterranean Conference on Embedded Computing (MECO)/ – 2019. – Р. 691-694. https://doi.org/10.1109/MECO.2019.8760007.

19. Deep learning-based algorithm for detecting aortic stenosis using electrocardiography / J.-M. Kwon et al // Journal of the American Heart Association. – 2020. – № 9(7). – Р. e014717. https://doi.org/10.1161/JAHA.119.014717.

20. Large-scale assessment of a smartwatch to identify atrial fibrillation (Apple Heart Study) / M.V. Perez et al // New England Journal of Medicine. – 2019. – № 381(20). – Р. 1909-1917. https://doi.org/10.1056/NEJMoa1901183.